1、“.....且能够加快梯度下降求最优解的速度。本文选用最大最小值归化方法，其公式为−−其中，为图像像素点值，分别为图像像素的最大与最小值。图像转换双目相机获得的原始图像为色图，色图中亮度与色度信息未分离，会使光照强度不同时图像特征提取受到影响，为减少这影响，将图像转换为图像。转的转换公式为⎡⎣⎢可用于农田复杂环境下的自主避障。目前，该方式仅在农田常见的房屋树木电线杆障碍物环境下进行避障训练与测试，后续需进行更多场景的飞行训练及卷积神经网络的改进，以提高农用植保无人机的环境适应性与自主避障成功率。参考文献任耀庭基于超声波测距与图像信息相融合的旋翼无人机避障算法研究成都电子科技大学，何守印基于多传感器融合的无人机自主避障研究北京北京理工大学，耿特，严军鹏基于卷积神经网络的无人车避障方法工业控制计算机，张子容基于单片机控制的农用无人机导航研究农机化研究刘锐......”。

2、“.....陈深度学习研究农用无人机自主避障问题现状农业航空论文同环境和野外相似环境进行次自主避障测试。测试结果如表所示图实验用无人机表实验测试结果对测试结果进行分析可知小型无人机和植保无人机在不同场景下具有的避障成功率，避障成功率较高，且在野外相似障碍物环境下，避障成功率也在左右，说明模型具有定的泛化能力。由于无人机自主避障时无需转动航向，为了减少计算量，无人机采用固定航向方式飞行，卷积神经网络只需计算姿态角中的俯仰角与滚转角。选取小型无人机在房屋周围进行手动避障与自主避障成功的俯仰角滚转角油门量位臵信息平均值进行对比，油门量的对比采用更直观的飞行像预处理图像归化双目相机采集的图像输入卷积神经网络之前需要进行图像归化，图像归化能够减少图像后续几何变换带来的影响及仿射变换的影响，且能够加快梯度下降求最优解的速度。本文选用最大最小值归化方法，其公式为−−其中，为图像像素点值......”。

3、“.....图像转换双目相机获得的原始图像为色图，色图中亮度与色度信息未分离，会使光照强度不同时图像特征提取受到影响，为减少这影响，将图像转换为图像。转端电脑操作系统为，为，内存为，深度学习框架为。空中端无人机飞控为，微型电脑为，为，内存为，深度学习框架为，相机为双目立体相机。图图像预处理无人机手动飞行时采集图片与自身姿态角和油门量信息，由地面端电脑进行训练，训练过程利用加速，提高训练速度。为防止过拟合，在卷积神经网络的全连接层加入随机失活。模型权重训练完成后，将其移植到空中端微型电脑双目测距原理双目相机成像原理图如图所示。图双目相机成像原理图图中，基线距为左右相机投影中心连线的距离，相机焦距均为。对于空间点，其在左右图像中的坐标分别为，且。根据相似角形原理可得公式左右相机视差，故点在相机坐标系下的维坐标为公式其中，为空间点与双目相机的的距离信息......”。

4、“.....当时，无人机悬停并进入自主避障状态，无人机期望姿态角与油门量将由自主避障系统给出，直至强，易于推广至复杂环境下应用。自主避障系统的搭建无障碍物时，农用植保无人机自主飞行作业姿态角和油门量由飞控根据航点信息计算得出有障碍物存在时，植保无人机搭载的双目立体相机实时检测障碍物距离，当植保无人机距离障碍物时，植保无人机悬停并进入自主避障模式。此时，无人机的姿态角与油门量由自主避障系统给出，自主避障系统的输入为双目立体相机采集的图像，左右相机获取的图像经图像处理与数据增强后分别输入卷积神经网络，两套卷积神经网络各自输出个维向量与个浮点数。其中，为无人激活函数等。函数表达式分别为−种激活函数的函数图像如图所示。图常用激活函数图激活函数兼具激活函数和激活函数的优点，能缓解梯度消失，且具有软饱和性，鲁棒性强，受输入中噪声的影响小。此外，的输出均值接近......”。

5、“.....且收敛速度更快，故本文中卷积神经网络使用激活函数。全手动遥控操作植保无人机喷洒与人工辅助遥控半自动喷洒时均需要飞手判断障碍物距离并手动避障，当障碍物距离飞手较远时，飞手通常难相机采集的图像，左右相机获取的图像经图像处理与数据增强后分别输入卷积神经网络，两套卷积神经网络各自输出个维向量与个浮点数。其中，为无人机的期望姿态角欧拉角，包含滚转角俯仰角航向角浮点数为无人机的期望油门量。将两个卷积神经网络输出的姿态角与油门量取平均后发送给无人机飞行控制系统，控制其飞行。若个期望姿态角或油门量为异常值，则直接舍弃，只使用另摄像头获得的期望值作为无人机的输入。采用双摄像头可使在侧摄像头遇到遮挡强光照射等恶劣情况时整体系统能够正常运行，规划等多个步骤，中间环节出现问题将会导致无人机避障失败，且整体实现过程极其繁琐。等人提出的模仿鸽子避障的仿生避障方式......”。

6、“.....具有定的可行性，但目前发展不成熟。为此，针对农田中树木房屋电线杆等常见障碍物，提出种基于深度学习的端到端农用无人机自主避障系统。端到端即无需中间多阶段处理，以植保无人机上携带的双目相机获取的图像作为多层卷积神经网络，的输入，输出无人机的期望姿态角滚转角俯仰深度学习研究农用无人机自主避障问题现状农业航空论文机的期望姿态角欧拉角，包含滚转角俯仰角航向角浮点数为无人机的期望油门量。将两个卷积神经网络输出的姿态角与油门量取平均后发送给无人机飞行控制系统，控制其飞行。若个期望姿态角或油门量为异常值，则直接舍弃，只使用另摄像头获得的期望值作为无人机的输入。采用双摄像头可使在侧摄像头遇到遮挡强光照射等恶劣情况时整体系统能够正常运行，且当单侧摄像头获取的图像使系统产生严重误判时，另侧摄像头能及时给予修正，能够大幅提升训练效率与训练效果......”。

7、“.....具有定的可行性，但目前发展不成熟。为此，针对农田中树木房屋电线杆等常见障碍物，提出种基于深度学习的端到端农用无人机自主避障系统。端到端即无需中间多阶段处理，以植保无人机上携带的双目相机获取的图像作为多层卷积神经网络，的输入，输出无人机的期望姿态角滚转角俯仰角航向角与油门量，。与其他避障方式相比，笔者的自主避障方式具有系统精简环境适应性强系统鲁棒性高等优点，且植保无人机能够随着飞行训练时间的增加，避障能力获得空间点与双目相机的的距离信息，即为障碍物上点与植保无人机的距离。当时，无人机悬停并进入自主避障状态，无人机期望姿态角与油门量将由自主避障系统给出，直至。卷积神经网络的设计卷积神经网络为农用植保无人机自主避障系统的核心，其利用实际手动飞行过程中采集的数据进行训练，训练过程中通过均方误差构成的损失函数计算损失值......”。

8、“.....进行的调整。训练完成后，将训练好的卷积神经网络模型迁移至空中端植保无人机上，进行自主避障飞行。判断障碍物距离，这会导致漏喷和发生撞机。因此，农用植保无人机的自主避障是亟待解决的问题。传统植保无人机利用激光雷达红外线超声波等传感器进行障碍物检测通过传感器测距，实现无人机在障碍物前的悬停，自主避障能力较弱。何守印提出的利用双目相机与激光雷达进行多传感器数据融合实现无人机避障，虽能实现自主避障，但需要进行相机标定立体匹配维重建及路径规划等多个步骤，中间环节出现问题将会导致无人机避障失败，且整体实现过程极其繁琐。等人提出的模仿鸽子避障的仿生避障方式，通过寻找障碍当单侧摄像头获取的图像使系统产生严重误判时，另侧摄像头能及时给予修正，能够大幅提升训练效率与训练效果。深度学习研究农用无人机自主避障问题现状农业航空论文。故输出数据尺寸为，且为卷积核个数。后续卷积层滑动步长分别为......”。

9、“.....后续卷积层输出可由式式得出，其数值分别为，。激活函数的选取为增加卷积神经网络的非线性，自主避障系统引入激活函数，常用的激活函数包括非线性激活函数激活函数和角航向角与油门量，。与其他避障方式相比，笔者的自主避障方式具有系统精简环境适应性强系统鲁棒性高等优点，且植保无人机能够随着飞行训练时间的增加，避障能力获得增强，易于推广至复杂环境下应用。自主避障系统的搭建无障碍物时，农用植保无人机自主飞行作业姿态角和油门量由飞控根据航点信息计算得出有障碍物存在时，植保无人机搭载的双目立体相机实时检测障碍物距离，当植保无人机距离障碍物时，植保无人机悬停并进入自主避障模式。此时，无人机的姿态角与油门量由自主避障系统给出，自主避障系统的输入为双目立体训练及使用过程框图如图所示。全手动遥控操作植保无人机喷洒与人工辅助遥控半自动喷洒时均需要飞手判断障碍物距离并手动避障......”。